大家好，我是北京美摄网络科技有限公司的研发总监黄裔，本次我分享的主题是美摄云非编系统，是一种web端视音频实时编辑渲染方案。
本次内容分为五个部分:一是美摄云非编方案的技术背景，也就是目前web端视音频编辑的现状以及我们采用新方案的原因；二是美摄云非编的技术整体方案，包括前端、后端及整体技术框架；三是美摄云非编方案的缓存机制，也是美摄云非编实时性的一个重要的保障；四是美摄云非编的整体工作流程；五是一些技术展望和本次问题的讨论实践。
1. 背景介绍
1.1 公司背景介绍
北京美摄科技有限公司，成立于2014年10月，是一家从新奥特集团独立出来，专注于视音频领域开发20年的智能视音频整体解决方案服务商。服务内容包括移动端视音频图像智能处理、识别以及深度学习等，服务领域涵盖移动APP、智能手机、智能硬件、广电及通信运营商等行业客户。
1.2 技术背景
这部分我将介绍云非编相关的技术背景，在web端的非线性编辑软件中，传统的方法是由服务器端进行音视频解码、特效处理和图像渲染，再将音视频流混合后发送给前端进行播放和显示，也就是说，web端只要做一次编辑就要和服务端进行一次通信，服务端再进行一系列的特效处理才能返回给web端预览，对网络依赖度过高，实时性也很差，客户体验很不好。
美摄云非编系统是基于WebAssembly技术实现了web端图像的实时渲染，利用缓存机制实现了大部分视音频编辑去网络化。
2. 技术整体方案
2.1 整体框架
美摄云非编整套系统的web端核心就是美摄的SDK，而能够使美摄SDK跨平台运行在web端则是基于目前已经比较成熟的WebAssembly技术。WebAssembly技术其实已经提出几年了，而最近才趋于成熟，并且开始应用于一些web端的应用，它的诞生与人们对web端的需求是密切相关的。
web端应用想要提升性能，传统的JS没办法实现，于是，三大浏览器厂商微软、谷歌和火狐分别提出了自己的解决方案，微软提出了TypeScript，谷歌提出了Dart，火狐提出了asm.js，但是这些方案互不兼容，各自为战，违背了web端的统一标准，所以就出现了WebAssembly。
WebAssembly顾名思义就是web端的汇编技术，它编译生成的二进制文件WASM更接近机器指令，执行速度就更快。目前对于WebAssembly支持最好的编译环境是LLVM，更加完善的一款工具就是Emscripten，它提供了很多API，可以让WebAssembly的使用更简单，但是它的文档描述有些不太清楚，有些API使用还得需要一些推敲才能确定。
WebAssembly可以将很多种语言进行编译提供给web端使用，美摄SDK使用的是C/C++代码实现的，所以通过Emscripten编译成WASM格式的二进制文件后，美摄SDK的核心功能就能无缝衔接的移植到web端，大大的节省了美摄云非编的开发工作量，缩短了开发周期，同时又能保证web端的所有效果都和美摄其他平台展示的一样。同时WebAssembly也比asm.js机制更加快速和安全，虽然在浏览器兼容方面不如asm.js，但是现在已经有越来越多的浏览器能够很好地支持WebAssembly了，所以我们坚定的选择了它。
图中WASM就相当于美摄的SDK，除了浏览器本身对多线程的一些限制和渲染机制有些区别以外，其他的功能都是无差别、可使用的。中间部分是web端的js业务逻辑层，包括所有的非线性编辑处理逻辑及页面UI展示，同时它支持从本地导入上传视音频文件，合成的成片下载到本地等功能。下部是服务端，主要包括两大业务功能：一是对上传的视音频文件进行分片转码，二是对编辑完成的工程进行成片输出。这些视音频资源保存在云存储，并和用户关联一起记录在数据库中。
2.2 实现流程
以下我将介绍web端的内部逻辑及实现流程。web端加载WASM并初始化完成之后，用户便可以导入本地的视音频进行使用，考虑到导入的视音频分辨率、码率、时长等信息不同，甚至有一些gif图、tga序列等情况，如果都只是用原视频来编辑，就增加了对网络的要求，无法保证实时性，而且对于非线性编辑中经常使用的裁剪、移动、覆盖、多轨等要求，这种方式也是低效的，所以，我们统一进行了转码，并且进行了分片。
转码成低分辨率的视音频切片，既可以提高下载速度，又便于缓存和读取使用。转码切片的信息文件，我们采用了主流的m3u8文件格式，这既考虑到其他播放需求，又扩展了我们自己的一些私有信息，比如分辨率，时长等web端使用需要的信息。m3u8数据返回到web端之后，会保存在IndexedDB中。
使用m3u8添加视音频素材上轨进行编辑时，WASM会检查FS缓存中是否有缓存过当前要编辑的切片。如果FS中没有缓存，则检查IndexedDB中是否下载保存过这个切片；如果已经缓存过，就可以直接读取FS中的缓存数据进行解码编辑。如果IndexedDB中也没有，就需要从服务器的云存储上下载相应的切片，并且保存在IndexedDB中供编辑使用。
整个过程都是在预加载的过程中完成的，这样既能按需加载，又能保证播放预览的实时性要求，即使是多轨视音频编辑，也能流畅的播放、预览。而且，使用了这套缓存机制后，只要是曾经播放过或者加载过视音频片段，就不再需要下载了，完全可以离线进行编辑，去网络化让用户感觉就像在本地使用一样流畅，体验和以往的云非编完全不同。
同理，云非编里面使用的字幕样式、动画贴纸、粒子、滤镜、字体、主题等特效包，也是通过这样的缓存机制由web端进行管理和使用的，同样是下载之后就缓存在web端了，符合去网络化的设计思路。可能有些web端的开发者不太熟悉IndexedDB和FS，因为对于一般的web端应用，其实很多时候是用不到它们的。
IndexedDB作为浏览器端的数据库存储形式已经有一段时间了，它以key-value的形式存储，便于查找，value可以是复杂的数据结构，用途很广，更重要的是它的存储空间很大，相对于LocalStorge的四五兆的存储，可谓是天壤之别，用于流媒体缓存数据再合适不过了。但是由于IndexedDB的操作大多是异步的，所以在使用的时候，需要把数据及时加载到FS中，而FS其实就是web端的一个文件系统，具有文件读写等操作的能力，这个文件系统的路径也是WASM可识别的，很适合用来作为中间的缓存区。
2.3 云非编的数据结构及流媒体的工作流程
其实云非编整体的结构和移动端的以及传统的非编是一样的，主要还是基于时间线的一整套视音频流的处理，添加特效等等。对于视音频编辑而言，时间线是视音频编辑的一个大的框架和载体，它就像播放器的控制滑杆一样，承载着所有的视音频数据。时间线的内部其实是由很多的轨道组合成的，这些轨道大概分为视频轨道、音频轨道和特效轨道，其中视频轨道和特效轨道是有层级关系的，层级决定了它们的渲染顺序，也就是最终图像的效果哪个在视觉的最前端。而音频轨道因为是混音效果，所以只分声道，并没有层级关系。轨道上添加的视音频片段、字幕、贴纸等特效就构成了最终输出的图像，输出到不同系统的预览窗口上，对于云非编系统，就是输出到web端的一个canvas上。
比较重要的一环就是合成视频，因为多数编辑的目的都是为了输出一个完整的视频。对于美摄云非编，同样还支持美摄SDK可以使用的特效资源包，这些特效包就像插件一样，即插即用，给云非编带来了更多的炫酷效果。
整个时间线构建好之后，所有的渲染就交给流媒体引擎了，视音频的编解码，视音频流的调度、同步、预取等一系列复杂的工作，都是流媒体引擎完成的。
2.4 工作流程
之所以介绍这个工作流程，不仅因为它的重要性，还因为云非编系统在渲染和最终输出的显示和之前是不同的，而这也是云非编架构的重要一环，就是最终的渲染和输出。
首先输入源就是视频源和音频源，视频源通过video processor以video frame的格式进行调度，这里包括视频文件的解码，视频格式的转换，封装等等，传给video output。音频源以audio sample的格式传给audio output，在输出之前视音频数据要以video frame的时间戳进行同步。
在美摄云非编系统里，video output最终是通过Web GL渲染成Image Bitmap画在canvas上进行预览的，audio output是通过Web Audio的输出到扬声器的。对于合成视频，则是直接将视音频数据编码写入文件即可。
2.5 配音功能的实现
配音也是非编软件里面一个重要的功能，美摄云非编里面的录音功能的实现步骤是：首先，开启web端的麦克风之后，使用Web Audio进行音频数据采集，通过分段的形式将音频数据传给WASM，编码输出成m4a的音频格式。
之所以选择通过WASM来输出音频文件，一方面是web端提供的输出音频的格式比较有限，无法录制出我们需要的音频格式，另一方面是在WASM提供了这样的输出音频文件的API之后，对于开发者使用起来也特别方便了，即使是不太了解音频编码的开发者，也可以很容易的输出录音文件。
对于Web Audio在录音时的使用，需要注意它的延时性，在不同的浏览器上的表现也有所不同，所以在开始录制时，一定要把开始的一部分audio sample数据进行过滤，这样才能保证配音的时间和时间线对应好，确保声画同步。配音出来的音频文件同样要上传服务器进行分片转码。为了保证web端体验的流畅性，需要将录制好的音频文件添加到时间线的音频轨道上，进行编辑使用，等分片转码完成之后再将轨道上的数据替换成转码后的数据，让用户使用起来不会有被中断的感觉。
3. 服务端技术方案
美摄云非编的服务器端的整体框架如图所示，总控服务器是负责和web端进行交互的，所有web API都是它提供的，包括用户信息、素材信息、转码任务、合成任务等。另外两个核心的功能模块是转码服务器集群和合成服务器集群，这两个服务器集群中的每一台服务器都分别部署了Transcoder Manager和Process Server Manager，它们接收到总控服务器发送的转码和合成任务时，会创建新Transcoder和ProcessServer进程来处理任务，完成后退出进程。
此外，转码服务器处理的工作不仅仅是转码分片一项工作，其实它还处理了很多前期需要的准备，比如生成封面、缩略图，音频波形等等，并且web reader做了很多的优化，避免了传统的reader缓慢读取一些网络视频地址的问题，所以转码效率很高，并且这些数据生成都是在一整套流程里面完成的，不需要二次读取解码等，也节省了很多时间。
这张图详细的解释了服务器集群中的消息和数据处理，其中有数据的同步，消息的请求和发送。总控服务器还负责集群的负载均衡处理，如果满负载之后则会进行任务排队，并且在某个任务失败之后，根据失败的类型区分是否需要重试，还要对任务的执行进程进行心跳监测，保证任务的正常进行。
消息的具体实现流程图
上图展示了美摄云非编的简单使用流程，先是用户注册、登录，然后创建工程或者打开已有工程，接着加载WASM相关文件，并初始化WASM里面的流媒体上下文，然后创建时间线并连接到预览窗口。开始编辑时，上传视音频资源到服务器进行转码分片，生成相应的m3u8分片信息文件，使用m3u8文件上轨进行编辑，WASM进行视音频分片预取及缓存处理。如果添加特效资源包，则下载并缓存资源包，再安装使用，编辑的工程所有数据通过xml形式保存到服务器，再通过合成任务生成出成片，供web端进行下载使用或预览。
这张是美摄云非编的主编辑界面的展示图。主要有手绘粒子、拍唱词、波形展示以及多种编辑模式。
4. 实际应用案例
图中是美摄在各个领域的合作伙伴，就不一一列举了。目前，美摄的云非编方案已经在Bilibili的web端应用并上线。
最后对目前的技术做几个总结：
首先使用WebAssembly编程时，一定要对内存及时释放，因为WebAssembly并没有自动回收机制，尤其是前端的开发工程师，可能不太善于处理对象的释放，但是这里一定要记得手动释放内存，否则造成内存泄漏将是灾难性的；
其次是在开启Web Audio时，如果是chrome内核的浏览器，并且内核版本大于等于70，那么是不能自动开启的，需要在一个操作里面才能开启；目前美摄云非编需要多线程对内存做很多操作，所以就需要使用共享内存的机制，也就是浏览器要支持SharedArrayBuffer，这对浏览器是有一些限制的，但是为了提高运行效率，只能牺牲一部分不支持的浏览器版本。
此外，在WASM里面需要使用web端Dom节点或者需要JS来实现一些简单工作时，可以使用内嵌JS的方式，简单实用，但是要注意的是参数传递不要过于复杂；还有录音数据要分片并且做适当的偏移。
我们对web端的一些期望和关注是：
浏览器对WebAssembly的支持，以及对SharedArrayBuffer等流媒体要使用的支持，不论是国内的浏览器还是国外的，包括移动端，都能对这些标准更加统一的对齐，这样对于web端的开发者将是一道福音，届时一定会有越来越多的web端应用使用WebAssembly。